اخبار:
هوش مصنوعی و تشخیص سرفه
بر اساس مقاله ای که جدیدا منتشر شده است، یک الگوریتم هوش مصنوعی جدید تشخیص سرفه را در محیط های واقعی تر ممکن می کند. این مقاله می گوید استفاده از هوش مصنوعی برای تشخیص سرفه چیز جدیدی نیست. اما علیرغم کاربردهای قبلی آن، محققان خاطرنشان کردند که معمولاً محدودیت‌هایی وجود دارد، مانند آموزش الگوریتم‌ها بر روی داده‌های غیرعملی. ادگار لوباتون، نویسنده مسئول مقاله در مورد این کار می گوید: "زمانی که هوش مصنوعی برای شناسایی صدای سرفه آموزش می بیند، این کار معمولا با داده های "تمیز" انجام می شود - صدای پس زمینه یا صداهای نویز زیادی وجود ندارد." اما دنیای واقعی پر از صدای پس زمینه و صداهای گیج کننده است. بنابراین فن‌آوری‌های قبلی تشخیص سرفه اغلب با «مثبت‌های کاذب» دست و پنجه نرم می‌کردند – آنها می‌گویند که فردی سرفه می‌کند حتی اگر کسی سرفه نمی‌کند.»
آنها الگوریتمی را توسعه داده‌اند که کمک می‌کند با اجازه دادن به هوش مصنوعی برای بیان عدم قطعیت، این مشکل را برطرف کند. هوش مصنوعی به جای اینکه تصمیم بگیرد «بله، سرفه بود» یا «نه، سرفه نبود»، می‌تواند گزارش دهد که صدایی را شناسایی کرده است که با آن آشنا نیست. به عبارت دیگر، گزینه سوم به هوش مصنوعی داده می‌شود: «نمی‌دانم آن چه بود».
علاوه بر این، محققان قصد دارند این ابزار را به دستگاه های نظارت بر سلامت پوشیدنی اضافه کنند. آنها خاطرنشان کردند که این نوع فناوری می تواند در درمان طیف گسترده ای از شرایط بسیار موثر باشد، بنابراین سیستم دارای پتانسیل کاربردی گسترده ای است. لوباتون گفت: علاقه به استفاده از مانیتورهای پوشیدنی سلامت برای تشخیص سرفه در افراد وجود دارد که ممکن است باعث افزایش خطر حملات آسم شود. او همچنین علاقه مند به استفاده از تشخیص سرفه برای مواردی مانند نظارت بر کووید است.
صنعت:
4 زمینه به روز و جذاب در یادگیری عمیق
یادگیری عمیق و هوش مصنوعی به سرعت در حال پیشرفت هستند و فناوری‌های نو دائماً در حال ظهور. این فناوری‌ها پتانسیل ایجاد انقلاب در کاربردهای مختلف یادگیری ماشین، از تشخیص تصویر گرفته تا پردازش زبان های طبیعی دارند و فرصت‌های جدید و جذابی را برای محققان و توسعه‌دهندگان ارائه می‌دهند.
شبکه های متخاصم مولد (GAN)
شبکه های متخاصم مولد نوعی شبکه عصبی هستند که می توانند برای تولید داده های جدید و واقعی نما بر اساس داده های موجود استفاده شوند. به عنوان مثال، GAN ها برای تولید تصاویر واقعی از افراد، حیوانات و حتی مناظر استفاده شده اند.
هوش مصنوعی قابل توضیح (XAI)
هوش مصنوعی قابل توضیح (XAI) به توسعه سیستم‌های هوش مصنوعی اشاره دارد که به راحتی توسط انسان قابل درک و توضیح است. این رویکردی برای هوش مصنوعی است که بر شفافیت، تفسیرپذیری و پاسخگویی تاکید دارد. هدف XAI ایجاد سیستم‌های هوش مصنوعی است که می‌توانند توضیحات روشنی برای تصمیم‌گیری‌ها و اقدامات خود ارائه دهند و به انسان‌ها این امکان را می‌دهند که بفهمند چگونه کار می‌کنند و چرا انتخاب‌های خاصی انجام می‌دهند. این امر به ویژه در زمینه هایی مانند مراقبت های بهداشتی، مالی و اجرای قانون که تصمیمات اتخاذ شده توسط سیستم های هوش مصنوعی می تواند عواقب قابل توجهی برای افراد و جامعه به عنوان یک کل داشته باشد بسیار مهم است. تکنیک‌های XAI شامل مصورسازی، توضیحات زبان طبیعی و رابط‌های تعاملی است که به کاربران اجازه می‌دهد فرآیند تصمیم‌گیری سیستم‌های هوش مصنوعی را بررسی کنند.
یادگیری فدرال
یادگیری فدرال یک تکنیک یادگیری ماشین است که به چندین دستگاه اجازه می‌دهد تا بدون به اشتراک گذاشتن داده‌های خود با یک سرور مرکزی، یک مدل را به طور مشترک آموزش دهند. در عوض، مدل به صورت محلی در هر دستگاه با استفاده از داده‌های خود آموزش داده می‌شود و تنها پارامترهای مدل به‌روز شده برای تجمیع به سرور مرکزی ارسال می‌شوند. این رویکرد به رفع نگرانی‌های مربوط به حریم خصوصی مرتبط با یادگیری ماشین متمرکز کمک می‌کند، زیرا به کاربران اجازه می‌دهد تا داده‌های خود را خصوصی نگه دارند و در عین حال در آموزش یک مدل مشترک مشارکت داشته باشند. یادگیری فدرال در زمینه های مختلف از جمله مراقبت های بهداشتی، مالی و شهرهای هوشمند کاربرد دارد.
یادگیری تقویتی
یادگیری تقویتی نوعی از یادگیری ماشین است که در آن یک عامل یاد می گیرد که با تعامل با یک محیط تصمیم گیری کند. عامل بازخوردی را در قالب پاداش یا مجازات برای اعمال خود دریافت می کند و از این بازخورد برای تنظیم رفتار خود استفاده می کند تا پاداش خود را در طول زمان به حداکثر برساند. یادگیری تقویتی اغلب در برنامه هایی مانند بازی، روباتیک و وسایل نقلیه خودران استفاده می شود. یادگیری تقویتی مبتنی بر ایده آزمون و خطا است، جایی که عامل از اشتباهات خود درس می گیرد و عملکرد خود را در طول زمان از طریق تجربه بهبود می بخشد.
مقاله:
Generalizing from a Few Examples: A Survey on Few-Shot Learning
یادگیری ماشین در برنامه های کاربردی با داده فراوان بسیار موفق بوده است، اما اغلب زمانی که مجموعه داده کوچک است، با مشکل مواجه می شود. این مقاله به آموزش چند شات (FSL) می پردازد که از دانش قبلی برای تعمیم به کارهای جدید تنها با چند نمونه استفاده می کند. مسئله اصلی در FSL، به حداقل رساندن ریسک تجربی غیرقابل اعتماد است، و این مقاله روش‌های FSL را بر اساس نحوه استفاده از دانش قبلی برای رسیدگی به این موضوع به داده‌ها، مدل‌ها و دیدگاه‌های الگوریتم دسته‌بندی می‌کند. مزایا و معایب هر دسته مورد بحث قرار می گیرد و جهت های امیدوارکننده برای تحقیقات آینده پیشنهاد می شود.
آموزش:
آموزش چند شات (FSL) چیست؟
آموزش چند شات (FSL) که در برخی منابع به آن یادگیری کم شات (LSL) نیز می‌گویند، یک تکنیک یادگیری ماشین است که در آن مجموعه داده‌های آموزشی حاوی اطلاعات محدودی است. یک روش متداول در برنامه های کاربردی یادگیری ماشین این است که به اندازه ای که مدل بتواند داده را در خود جای دهد وارد می شود. این به این دلیل است که در اکثر برنامه‌های یادگیری ماشین، تغذیه داده‌های بیشتر به مدل اجازه می‌دهد تا پیش‌بینی‌های بهتری انجام دهد. با این حال، هدف یادگیری شات کمتر ایجاد یک مدل یادگیری ماشین دقیق با داده های آموزشی کمتر است. یادگیری چند شات شامل آموزش مدلی برای تشخیص و طبقه بندی اشیا یا مفاهیم جدید تنها با تعداد کمی مثال است. در یادگیری ماشین سنتی، مدل‌ها روی مجموعه داده‌های بزرگ با هزاران یا میلیون‌ها مثال آموزش داده می‌شوند، اما در یادگیری چند شات، هدف یادگیری از چند مثال است. این امر به ویژه در شرایطی مفید است که به دست آوردن مقادیر زیادی از داده های برچسب گذاری شده دشوار یا گران است، مانند تشخیص پزشکی یا پردازش زبان طبیعی. الگوریتم‌های یادگیری چند شات معمولاً از تکنیک‌هایی مانند یادگیری انتقالی، فرایادگیری و یادگیری مبتنی بر متریک برای تعمیم تعداد کمی از مثال‌ها و پیش‌بینی دقیق داده‌های جدید استفاده می‌کنند.
کدینگ:
5 زبان برنامه نویسی برای توسعه هوش مصنوعی
++Python، Lisp، Java، C و R زبان های برنامه نویسی محبوب برای توسعه هوش مصنوعی هستند.
راههای ارتباطی با ما:
اینستاگرام:
princeofai@
وبسایت:
https://hushmandkharazmi.com
تلگرام:
https://t.me/princeofaii